AI智能体落地制造业的四大致命陷阱

AI智能体在制造业的落地实战 - 第5篇/共6篇

智能体落地最大的坑

前四篇讲了"怎么做"——第5篇不谈理想，只谈"死法"。

系列说明：本系列是"AI+装备制造研发落地实战"的续篇。第1篇定义工业智能体，第2篇拆解四层架构，第3篇讲数据底座，第4篇讲智能体协同。 上篇回顾：第4篇的核心结论——单点AI优化"环节内的效率"，智能体协同优化"环节间的效率"。数字主线（事件驱动+共享上下文+闭环反馈）是协同的关键。

- - -

超过一半的AI项目不及预期

58%。

据赛迪顾问2025白皮书数据，这是制造AI项目落地不及预期的比例。不是"效果差一点"，是"投入了但没产出预期的价值"——项目搁置、投资沉默、团队士气受挫。

失败的原因几乎都不是技术——而是落地过程中的坑没躲过去。

四个阶段，四个坑： 选型阶段选错了场景 → 选了"脑力活"或"数据匮乏"的场景，智能体根本做不好。 建设阶段数据没准备好就上线 → 脏数据导致错误判断，工程师不再信任。 使用阶段工程师不信任 → 一次错误就足以失去信任，重建比新建还难。 运维阶段没人维护 → 半年后准确率从95%降到60%，智能体"退化"到不可用。

我们把智能体落地过程中的常见坑，按照"选型→建设→使用→运维"的时间线，分成四个阶段。

坑一选型阶段 选错了场景 这是最常见的坑——也是最致命的。企业看到智能体很"火"，选了一个"看起来能做"的场景，结果选了一个"脑力活"或"数据极度匮乏"的场景，智能体根本做不好。 真实案例：某企业选择"工艺方案自动生成"作为第一个场景——这是一个典型的"脑力活+高数据依赖"场景。结果智能体生成的方案"看起来合理但实际不可行"——因为知识库中的数据不完整，智能体不知道某些设备已经停产。半年后项目被叫停。 躲坑策略：① 用三条原则（体力活+低数据依赖+不改变流程）筛选场景。② 选一个"失败成本低"的场景作为起步。③ 关注"输入明确、输出可验证、流程可编排"三个特征。 推荐的第一场景：设计变更通知的自动处理——输入明确、输出可验证、流程可编排，同时满足三个条件。

坑二建设阶段 数据没准备好就上线 企业急于上线智能体，把PLM、MES、ERP的数据直接"灌"进知识库，没有做数据清洗和标准化。结果智能体基于"脏数据"做出错误判断。 真实案例：某企业的仿真智能体，上线后频繁给出"错误"建议。排查后发现，知识库中的材料数据来自三个不同的系统——同一批材料的屈服强度在三个系统中分别是345MPa、355MPa和335MPa。智能体随机引用了一个数据，导致了错误结论。 躲坑策略：① 上线前做"数据健康度评估"，健康度低于70%先做治理。② 建立"最小可行知识库"——先确保小数据集的质质量可控。③ 在输出中标注"数据